微软表示同意收购瑞典视频游戏公司Mojang(Minecraft游戏开发商),提振移动业务,巩固Xbox游戏机上又一款重磅游戏控制权。
微软在一份声明中称,将以25亿美元收购Mojang,这标志着微软在视频游戏收购领域的勃勃雄心,也是新任CEO萨蒂亚·纳德拉(Satya Nadella)上任后最大的一笔收购交易。
纳德拉在声明中说:“Minecraft不只是一款伟大的游戏产品,还是一个开放的世界平台,拥有一个我们非常看重的活跃社区,将给微软带来大量新契机。”
Mojang创始人兼Minecraft游戏开发者马库斯·佩尔森(Markus Persson)将离职。
微软控制一款游戏已成为一种文化现象。Minecraft于2009年发行后,以不做特别规定、不设定具体目标而著称,对玩家也不提出任何要求,仅仅是让玩家创建他们自己的世界并探索其他人的世界。一些玩家打僵尸,其他玩家则精心打造他们喜欢的科幻星际飞船。
Mojang向移动设备用户、计算机用户和视频游戏机用户出售Minecraft游戏拷贝。
Mojang游戏公司CEO卡尔·曼恩(Carl Manneh)发表声明称:“Minecraft游戏玩家的玩法超出我们所有预期。微软收购后将为Minecraft游戏翻开新篇章。”
但对微软而言,Minecraft已远超一款视频游戏范畴,与微软14年前收购Halo游戏开发商Bungie有着异曲同工之妙,Mojang及其游戏Minecraft将强化微软娱乐地位。
Minecraft游戏已登陆微软Xbox及大量移动设备。分析师坚信微软能够利用Minecraft知名度鼓励客户购买其设备,运行Windows Phone和桌面Windows软件的设备或Xbox会为玩家提供独特的体验。
无论微软最终计划是什么,收购Mojang为微软带来一款成功视频游戏将是不争的事实。今年1月份,微软表示从游戏开发商Epic手中购买Gears of War游戏,该游戏售出2200万份拷贝,总金额超过10亿美元。
微软另一款大型游戏是2000年收购的以太空时代战争为题材的Halo。Halo自2001年上线后,其系列游戏已售出5000万份拷贝。更重要的是,该游戏将新一代的视频游戏玩家吸引至微软当时的新Xbox设备上——能够玩Halo游戏的唯一平台。
Halo成功应归于其史诗般的故事情节,有关Halo的故事不断出现在图书、电影、漫画、玩具和视频游戏中。
Minecraft游戏在许多方面与Halo游戏正好相反:没有故事情节,但却激励玩家随心所欲地玩游戏。
佩尔森在社交媒体网站上的网名是“Notch”,他不加盟微软。
Mojang在博文中称:“创始人Notch即佩尔森以及雅各布离职。我们不清楚他们的计划,但可以肯定的是与Minecraft游戏不相干,可能会很酷。”
佩尔森在一篇博文中表示,很早以前他就已经从Minecraft开发团队退出。最后表示出售并离开该公司,因为他不再快乐。他写道:“我不是一名CEO,我只是一个喜欢在Twitter发表自己观点的计算机编程呆子。”
华尔街日报曾报道,今年6月份,佩尔森在Twitter发表文章称,客户对开发团队改变游戏不满,他感到很失落。他写道:“有人希望购买我在Mojang的股份,以便我能够过自己的生活,做正确的事情却遭怨恨不是我想要的生活。”一个月后,微软提出收购意向。
佩尔森对其他视频游戏的批评也毫不留情。今年3月份曾对Facebook收购虚拟现实技术先锋Oculus VR表达不满。
过去他对微软也持批评态度,2012年微软发布Windows 8,宣布一项应用商店计划及苛刻的访问规则后,他公然反对Windows 8操作系统,并在博文中写道:“我宁愿Minecraft不在Windows 8上运行。或许我们会说服少量玩家不转向Windows 8。”
微软预计2014年底完成该交易,2015财年达到收支平衡。微软称将继续支持Minecraft跨平台特性。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。